1. Przygotowanie środowiska i zbiór danych

Do analizy postanowiłem wybrać zbiór Eurovision Song Contest Scores 1975-2019, który znalazłem na w datasetSearch.com pod linkiem:

https://data.world/datagraver/eurovision-song-contest-scores-1975-2019

Zbiór danych zawiera jeden plik w formacie .xlsx składający się z trzech arkuszy:

1. Data

2. Remarks

3. Sources

… oczywiście do naszej analizy przyda się tylko ten pierwszy, składający się z aż z 49832 wierszy dotyczących informacji o tym który kraj w którym roku jakiemu państwu dał ile punktów.

Po pierwsze - wczytajmy ten zbiór danych. Przed wykonaniem kolejnych linijek kodu, przekonwertowałem dodatkowo wejściowy zbiór danych z pliku eurovision_song_contest_1975_2019v3.xlsx do rozszerzenia .csv za pomocą narzędzia online (https://www.zamzar.com/convert/xlsx-to-csv/).

# setwd("/home/samba/kosternaj/Desktop/05Wiz/pdOstatnie") # required on my PC
escResults <- read.table(file = "eurovision_song_contest_1975_2019v3.csv", 
                      sep = ',', header = TRUE)

Sprawdźmy czy wszystko poszło zgodnie z planem - wyświetlmy losowe 10 wierszy.

library(dplyr)
library(DT)
# install.packages("webshot") # if not installed
# webshot::install_phantomjs() # if not installed
datatable(escResults[sample(nrow(escResults)),])

## Warning in instance$preRenderHook(instance): It seems your data is too
## big for client-side DataTables. You may consider server-side processing:
## https://rstudio.github.io/DT/server.html

Hurra! Wszystko poszło zgodnie z planem.

2. Obróbka danych

Tylko czy aż tak szczegółowe dane będą nam potrzebne? Zmodyfikuję moję ramkę danych, pozbywając się kolumn Duplicate, From.country, To.country i Jury.or.Televoting, po prostu sumując dla każdego konkursu liczbę punktów na państwo.

escResults <- escResults %>%
  select (-c(Edition, Jury.or.Televoting, Duplicate)) %>%
  group_by(Year, X.semi...final, To.country) %>%
  summarise(Points = sum(Points)) %>%
  rename("TypeOfFinal" = "X.semi...final", "Country" = "To.country")

Raz jeszcze upewnijmy się, że operacja została zakończona powodzeniem.

datatable(escResults[sample(nrow(escResults)),])

Wszystko poszło zgodnie z planem. Ale dobra, czas na tabele przestawne.

3. Tabele przestawne

# install.packages("rpivotTable") # if not installed
library(rpivotTable)
rpivotTable(escResults,
            height = 700)

escResultsFinal <- escResults %>%
  ungroup() %>%
  filter(TypeOfFinal == "f") %>%
  select(Year, Country, Points)

rpivotTable(escResultsFinal, cols = "Year",
            aggregatorName = "Maximum", vals = "Points",
            rendererName = "Bar Chart",
            height = 700)

rpivotTable(escResults, cols = "Year", rows = "TypeOfFinal",
            aggregatorName = "Median", vals = "Points",
            rendererName = "Line Chart",
            height = 700)

rpivotTable(escResults, rows = "Country",
            aggregatorName = "Count",
            rendererName = "Bar Chart",
            height = 700)